Giriş Giriş Giriş

Normal eğri analizi, rezervuar mühendisliğinin temel taşıdır, arazi geliştirme planlama, rezerv tahmin ve ekonomik değerlendirme. On yıllardır, endüstri iki farklı modele dayanıyor: Ampirik, veri odaklı yöntemler, ancak verileri daha fazla fiziksel olarak gözlemleyerek veya sabitlenen fiziksel sistemlere dayalı olarak, temelsel modelleri ödüllendirmek için yapılan mekanik modeller.

Hibrit yaklaşımlara doğru itki, pratik ihtiyaçlar tarafından motive edilir. Geleneksel olmayan rezervuarlar, karmaşık kırık ağları ve multi-fazegen akışı ile, geleneksel gerileme yöntemlerine meydan okumalar. Bu makale, özellikle üretim verileri sınırlı veya gürültülü olduğunda, hibrit alternatiflerdeki riskleri azaltır ve aynı zamanda makine öğreniminde performansların artırılması ve bir sonraki nesildeki hataların şekillendirilmesi gibi değişikliklerdeki riskleri azaltır.Bu makale, ampirik ve fizik temelli düşüş modellerinin manzaralarını gözden geçirir.

Empirical Decline Modelleri

Empirical modeller üretim oranını zamanın bir işlevi olarak tedavi eder, alt rezervuar fiziğinden yoksundurlar: Sadece üretim verileri, hızlı bir şekilde ihtiyaç duyarlar ve hemen tahminler üretirler.En ünlü Arps ailesidir, şöyle ifade edilir:

[DÜŞÜNÜ:0)q (t) = q[DÜT:1)[Üye: 2) / (1 + b D)[DÜye ait olan pdf)[DÜye/Üye/Üye ait)[Üye/Üye Olmayanlar[Üyeler)

[FONT=0] [FONT=[D=0))[0] [FONT=0)))[D=D[D=D=D=D=D|D|D|D|D|D|D|D|D|D|D|D|D|D|D|D|D|D|D|D|D|D|D|D|D|D|D|D|D|D|D=) ve harmonik (b=1), sınır dışı akışlarla sınırlı akışlar için yaygın olarak kullanılır.

Duong (2011), geçici lineer akışla kırık rezervuarlar için uygun bir model tanıttı:

[Dönemli:0) = q[Dönemli: 1)[[Dönemli:2)[[Dönemli))[[[(a/(1-n))))[[Dönemli: · 1/01/2012)

[FONT=0}[DÜDÜDÜDÜDÜDÜDÜ:0) ve ) uygun parametrelerdir. Duong'un modeli genellikle erken yaşam süresinde hiperbolik Arpsiyonel uzun vadeli üretimde aşırı dereceden fazladır, özellikle de sığar veya operasyonel koşullar altında yapılan bu türlerden sapmaz.

Fizik-Based Decline Model

Fizik tabanlı modeller, sıvı akışı, iyibore hidrolikleri ve rezervuar özellikleri ile ilgili denklemleri açıkça içerir.Bu tür analizler için analitik çözümlerden elde edilen veriler, perkovich (1980) tip eğrileri, örneğin, Arps sürekli olarak çizilen akış ve sınır tabanlı tahmin yöntemleri, geçici olarak sabit akış ve akış-bölgesel denge sağlayan temel bilgileri içerir.

Karmaşık rezervuarlar için - çok aşamalı hidrolik olarak betonarmete iyiler - sık sık sık çoklu faz akışı, geomechanics ve kırık iletkenlik değişiklikleri. Bu modeller, su bloke edici, gaz dehidrasyon ve stres bağımlı permeability gibi fiziksel süreçleri temsil edebilir. ancak tahmin edici yetenekleri giriş verilerinin kalitesine (poorite, permeability, permeability, PVT) ve üretim tarihine karşı kalibrasyonlar sağlar.

Hybrid Modeling Approaches

Hibrit modeller, veri odaklı rahatlık ve fiziksel tutarlılık arasındaki boşluğu köprülemek için tasarlanmıştır. Çeşitli stratejiler ortaya çıktı, her biri farklı metodolojiler ve uygulama alanları ile.

Fizik Modellerinin Empirics ile Eşleştirilmesi

Bir ortak hibrit program, bir fizik tabanlı tahminin başlangıç veya kısıtlanması için ampirik modeller kullanır. Örneğin, bir Arps geri çekilme süresine uygundur.[Dönetici:0)b) rezervuar modelinde bilinmeyenlerin sayısını azaltabilir (örneğin, b=2 saf lineer akış için), bu zaman analitik bir çözüm parametrelerini bilgilendirir. Alternatif olarak, Ampirik bir algoritma için sınır koşulları veya mülk tahminleri sağlayabilir - rezervuar modelinde bilinmeyenleri azaltmak.

Fizik-Inform Empirical Model

Başka bir yaklaşım, doğrudan ampirik eğri uydurmaya zorlanır. Örneğin, geri dönüşüm oranı:0)D[DDDD: 1) Sürekli olarak kullanılan bir fonksiyonel formu takip etmek zorunda kalır, bu tür bir model, amplifiğe uygun olmayan parametreleri ihlal edebilir.

Data-Driven Fizik Modelleri

Bu kategoride, bir fizik modeli temel tahmin sağlar ve bir ampirik veya makine öğrenme katmanı, örneğin, sayısal bir simülatörü ilk sipariş gerileme eğilimi oluşturabilir ve Gaussian işlemi veya sinir ağı benzer geology paylaşması için eğitilmiştir - hata modeli, simülatörün fiziksel yapısını doğrulamaktadır, sistematik hataları öğrenir, verileri yeniden tanımlamak için fizik modelini etkili bir şekilde kalibre edebilir.

Fizik-Inform Machine Learning

Derin öğrenmedeki son gelişmeler, kayıp uygulamalarda normalleştirme terimi olarak ortaya çıkmıştır, bir PINN'in materyal dengesini ihlal eden tahminlere karşı daha fazla eğitilmesi veya veri akışına uygun olarak kısıtlanması.Bu tür modeller tasarımla karmadır: bunlar, analiz için normalleştirme süresi olarak, onları ekstrapolasyona karşı daha sağlam hale getirmek için daha sağlam hale getirebilir.

Vaka Çalışmaları ve Uygulamaları

Sayısal yayın çalışmaları, hibrit modellerin pratik faydalarını göstermektedir. 2020 SPE kağıt ([Dönetici:0)SPE-201571-MS), araştırmacılar, çiftleştirilmiş bir modele kıyasla% 18 oranında daha iyi bir şekilde analiz edilen bir mikrop-parçalı model geliştirdiler.Bir sonraki araştırmada, doğrulayıcı bir deneyde, doğrulayıcı bir analiz için daha iyi bir deney için kullanılan bir deney.

Alan operatörleri ayrıca RTA'yı istatistik eğriliği ile harmanlayan yazılım platformlarından dolaylı olarak hibrid modeller kullanıyor. Örneğin, ticari araçlar ()IHS Harmony[Dönetici 1) veya [[Döneticiler[Döneticileri) izin verilenler için, kullanıcıların asimetrik akış sınırlamaları empoze etmesine izin veriyor.

Hybrid Model Development'de Meydan Okumalar

Sözlerine rağmen, hibrit modeller birkaç kalıcı zorlukla karşı karşıyadır. İlk olarak, [[Döneticileri ) Bu durumu ele almak için dikkatli bir şekilde dikkat gerektirir ve geçerlilik sağlar.Bir fizik simülasyonu ilk olarak kullanılan bir hatayı ortaya koyarsa, ampirik optimizasyonu kötü olur.

İkincisi, Ampirik modeller, verinin her iki katına çıkarılamaması veya yetersiz basınç testleri ile olgun alanlarda, fizik modellerinin baskı, sıvı özellikleri ve tamamlanma ayrıntıları gerektirir; Ampirik modeller, hem de düşük basınç testleriyle ilgili değişiklikler gibi güvenilir bir üretim tarihine ihtiyaç duyar.

Üçüncü olarak,FL:0)c ⁇ masrafları[Dönetici:0] Gerçek zamanlı uygulamalar için çok yavaş olabilir. Basitleştirilmiş fizik kullanarak tam rezervuarlı bir simülasyonu çalıştırın -bir günlük tahmin akışında tek fazlı akış veya homojen rezervuarlar - bu yeniden tanımlı model hatası.

Dördüncü, 4.DÜDÜ:0) Model seçimi ve geçerlilik[DÜT:1) Hibrit bir modelle, mühendisin, onlara uygun olarak ne kadar ağırlık vermelerine karar vermeleri gerekir. Over-constraining the Physics can reduce the model's ability to the hybrid over-constraining lead back to a hybrid overfitting. there is no sustainable draft; each rezervuar and well requires setting.

Future Yol Tarifi

Hibrit gerileme modellerinin evrimi dört alanda ilerlemeler tarafından yönlendirilecektir: makine öğrenimi, veri assimilasyon, gerçek zamanlı izleme ve dijital ikizler.

Makine Öğrenme ve Otomatik Fizik Keşif

Neural ağları ve sembolik regresyon, üretim verilerinin geç saatlerde fiziksel ilişkileri keşfedebilir. Örneğin, [[0) doğrusal olmayan dinamiklerin (SINDy)), denklemleri doğrudan hız zaman eğrileri, hem de görsel ağlarda (örneğin, geçici olarak PRD) etkinleştiren modeller (örneğin, materyal dengesi) otomatik olarak yorumlanabilir modeller.

Data Assimilation and Sürekli Updating

Ensemble Kalman filtreleri ve parçacık filtreleri, hibrit modeller yeni üretim verileri olarak güncellemeye izin verir. tek bir statik tahmin yerine, model zamanla gelişti, hem ampirik parametreler hem de fizik girdileri (örneğin, permeability multipliers) BuurFLT:0)kapılı-loop), bazı akıllı alanlarda zaten kullanılır, ancak rutin gerileme eğri analizi için nadir kalır.

Well Lifecycle için Dijital Twins

Doğal bir uzatma, akış rejim algılamasına dayanan modeller arasında otomatik olarak geçiş yapar ve sınır kaynaklı dönemler için fizik simülatörüler birleştiren sürekli olarak güncellenir.Böyle bir sistem sadece gelecekteki oranları tahmin eder, ayrıca bayrak anomalileri (örneğin, ölçeklendirme, sıvı yükleme) daha önce, akış rejim algılaması ile modeller arasında otomatik olarak değiştirir.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Ampirik ve fizik tabanlı yaklaşımlarla birleştiren Hybrid modeller, her saf yaklaşımın sınırlamalarını ele alır ve makine öğreniminde ve verileri özniteleyen modeller sunmak için uygun olmayan yöntemlere uygun olarak optimize edilir.Innable, adaptive methods while heavying tahminleri to fiziksel yasalara göre, her bir yaklaşımla ilgili sınırlamaları ele alır.Bu hibrit tekniklerle birlikte, makine öğrenimi ve verilerle ilgili olarak daha uygun olmayan bir şekilde optimize edilir ve bilgi birikimine sahip olmak için optimize edilir.